/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Своя лицензия
Архитектура
gpt2 · dense
Базовая модель
gpt2
Библиотека
transformers
Опубликована
7 мая 2025

gpt2-small_vanilla300

Генерация текстаТекст → текст3 профессии

Исследовательский вариант GPT-2 Small, дообученный на OpenWebText для воспроизведения экспериментов с удалением LayerNorm.

58скачиваний за 30 дней0лайковвеса обновлены20 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

schaeff/gpt2-small_vanilla300 — исследовательский чекпойнт на основе openai-community/gpt2, дообученный на OpenWebText в рамках работы об удалении LayerNorm при инференсе. Модель сохраняет архитектуру GPT-2 Small и предназначена для воспроизведения результатов публикации и сравнения с оригинальной и LayerNorm-free версиями GPT-2.

Модель генерирует продолжение текста по текстовому промпту. В карточке приведены оценки cross-entropy на OpenWebText и наборах The Pile; на валидации OpenWebText этот чекпойнт показал меньшую потерю, чем исходный GPT-2 Small в указанном сравнении. Контекст модели составляет 1024 токена. Она доступна в форматах PyTorch и safetensors для библиотеки Transformers. Карточка указывает лицензию «other», но не приводит её условия; проверьте лицензионные сведения репозитория перед использованием.

Сценарии применения

  • генерация продолжения текста по промпту
  • воспроизведение экспериментов с GPT-2 Small
  • сравнение языковых моделей на OpenWebText и The Pile

Ограничения

Чекпойнт предназначен прежде всего для воспроизведения результатов исследования; заявленный контекст — 1024 токена. Условия лицензии «other» в карточке не раскрыты.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for schaeff/gpt2-small_vanilla300

Associated publication: Transformers Don’t Need LayerNorm at Inference Time: Scaling LayerNorm Removal to GPT-2 XL and the Implications for Mechanistic Interpretability (arXiv TBD)

Associated GitHub: removing-layer-norm

This model is based on openai-community/gpt2 and was finetuned on OpenWebText for 300 iterations with 0.5M tokens per iteration. This model has the same architecture as the corresponding gpt-2 model and is being made available for reproducibility of the results reported in the associated publication.

Usage

You can load the model with transformers:

model = GPT2LMHeadModel.from_pretrained("schaeff/gpt2-small_vanilla300")

Model Collection

This model is part of a collection of LayerNorm-free models. The table below provides links and details.

Evaluation results of LN-free, vanilla fine-tuned, and original GPT-2 models

Reported values are mean cross-entropy losses for 10.2M tokens for The Pile and The Pile filtered and 4.5M tokens for the OpenWebText (WT) validation set. For each model size and dataset, the lowest loss is highlighted in bold, and the loss difference between the LN-free model and the best-performing model is shown in brackets.

ModelFT stepsOWT (val)The PileThe Pile-filtered
OpenAI GPT-2 Small original03.10062.84502.7899
schaeff GPT-2 Small vanilla3003.01262.85112.8112
schaeff GPT-2 Small LN-free3003.0797 [+0.0671]2.8852 [+0.0402]2.8757 [+0.0858]
OpenAI GPT-2 Medium original02.81452.51632.5390
schaeff GPT-2 Medium vanilla5002.73902.57522.5724
schaeff GPT-2 Medium LN-free5002.7642 [+0.0252]2.6579 [+0.1416]2.6352 [+0.0962]
OpenAI GPT-2 Large original02.66232.53202.4347
schaeff GPT-2 Large vanilla6002.62402.62332.5074
schaeff GPT-2 Large LN-free6002.6384 [+0.0144]2.7504 [+0.2184]2.5159 [+0.0812]
OpenAI GPT-2 XL original02.55672.4436¹2.3739
schaeff GPT-2 XL vanilla8002.47992.46732.3821
schaeff GPT-2 XL LN-free8002.5052 [+0.0253]130.2197²2.3992 [+0.0253]

Footnotes:

  1. GPT-2 XL original: Median: 1.0103, 95 Percentile Range: [0.0005, 10.6193], 99.9% Percentile Range [≈0.0000, 43.0064]
  2. GPT-2 XL LN-free: Median: 1.0937, 95 Percentile Range: [0.0004, 10.7548], 99.9% Percentile Range [≈0.0000, 48.6459]

Citation

If you have found our work useful please cite as:

@misc{gpt2layernorm2025,
  author = {Baroni, Luca and Khara, Galvin and Schaeffer, Joachim and Subkhankulov, Marat and Heimersheim, Stefan},
  title = {Transformers Don't Need LayerNorm at Inference Time: Scaling LayerNorm Removal to GPT-2 XL and the Implications for Mechanistic Interpretability},
  year = {2025},
  eprint = {2507.02559},
  archivePrefix = {arXiv},
  primaryClass = {cs.LG},
  url = {https://arxiv.org/abs/2507.02559v1}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
c6da20c

0 моделей